Maombi ya Mwisho-hadi-Mwisho: Tathmini, Uthibitishaji, Maadili na Mipaka

Faida:

• Uwezo wa kusanidi seti ndogo ya majaribio (eval) ambayo hutathmini muundo na data yako mwenyewe
• Pachika uthibitishaji wa binadamu, mipaka na sera ya utumiaji inayowajibika katika mtiririko wa kazi
• Tambua udanganyifu, hatari za faragha na maadili na utekeleze hatua za kupunguza

Umechagua mfano sahihi; Je, kazi imekamilika? Hapana, kazi halisi inaanza sasa. Kuweka muundo katika biashara yako kunatokana na kuijaribu dhidi ya data yako mwenyewe, kuthibitisha matokeo yake, na kuitengeneza kwa kuwajibika. Kitengo hiki cha mwisho kinageuza moduli nzima kuwa programu-tumizi ya mwisho hadi mwisho: utajifunza jinsi ya kusanidi kikundi kidogo cha majaribio (eval), kupachika uthibitishaji wa binadamu kwenye mtiririko wa kazi, kudhibiti udanganyifu na hatari za faragha, na kuchora mipaka ya kimaadili. Mara tu kitengo kitakapokamilika, utakuwa na vifaa vya kuchagua sio tu mfano lakini pia utume kwa ujasiri.

Tathmini (Eval): Kujaribu kwa Data Yako Mwenyewe

Sasa unajua kuwa data yako halisi pekee, wala si matangazo, ndiyo inayoweza kujua kama muundo unafaa biashara yako. Njia ya kupima hii ni kusanidi seti ya tathmini (eval): mkusanyiko mdogo wa sampuli kutoka kwa kazi yako ambayo jibu sahihi linajulikana.

Eval rahisi imeundwa kama hii:

1. Kusanya sampuli 10-30 halisi. Chagua pembejeo ambazo ni za kawaida za kazi yako (changanya ngumu na rahisi).
2. Amua "matokeo sahihi / yanayotarajiwa" kwa kila mfano. Mtaalamu angejibu nini?
3. Endesha wagombea kupitia mifano sawa. Jaribu miundo unayolinganisha moja baada ya nyingine na seti sawa.
4. Alama matokeo. Je, ni kweli katika mifano mingapi? Alikosea wapi? Je, makosa yanakubalika?
5. Linganisha na uchague. Chagua sio alama ya juu zaidi kwa jumla, lakini ile inayotegemewa zaidi katika mifano muhimu zaidi kwako.

Kidokezo: Usiamini kwa upofu bao za wanaoongoza. Muundo unaweza kuorodheshwa wa kwanza duniani, lakini ufanye vibaya zaidi kuliko mtindo wa nafasi ya pili katika maandishi yako mahususi ya kisheria ya Kituruki. Eval yako ya sampuli 20 ina thamani zaidi ya mamia ya majaribio ya umma.

Udanganyifu: Hatari Ambayo Siri Zaidi ya Mwanamitindo

Maoni ni wakati modeli hutoa habari ambayo sio kweli, kwa lugha ya kujiamini. Badala ya kusema "sijui," mfano huo unaweza kutoa kipande cha sheria ambacho hakipo, takwimu iliyoundwa, au tarehe ya uwongo; Isitoshe, anafanya hivyo kwa lugha ya kusadikisha sana. Hiki ndicho kipengele hatari zaidi cha AI kwa sababu makosa hujifanya kuwa ukweli.

Hauwezi kuondoa kabisa ukumbi wa macho, lakini unaweza kuipunguza na kuikamata:

• Iweke kwenye chanzo: Uliza modeli kutoa majibu kutoka kwa hati unazotoa, sio kutoka kwa "kumbukumbu" yake mwenyewe (mantiki ya RAG).
• Omba vyanzo: Sema, "Karibu na kila dai, andika waraka/sehemu ambayo msingi wake ni"; Ikiwa hawezi kutoa chanzo, kuwa na shaka.
• Kuwafanya watu waseme hawana uhakika: Maagizo "Ikiwa huna uhakika, andika 'si wazi'" hupunguza ufaafu wa muundo.
• Uthibitishaji wa kibinadamu: Matokeo muhimu lazima yathibitishwe na mwanadamu.

Tahadhari: Usiwahi kutumia toleo la modeli bila kuithibitisha kwa maamuzi ya kisheria, matibabu au kifedha. "Nakala ya sheria" au "maelezo ya kipimo" iliyotolewa na modeli inaweza kuwa ya kubuni kabisa. Katika maeneo haya, AI ni rasimu/chombo cha awali; Mtu mwenye uwezo huwa na neno la mwisho.

Mahitaji ya Uthibitishaji wa Binadamu

Upelelezi wa Bandia hufanya kazi vizuri zaidi kama zana inayoharakisha watu, na sio kuwaweka nje ya kazi. Mpangilio sahihi ni kama ifuatavyo: hutoa au kuhitimu awali rasimu ya mfano; mapitio ya binadamu, husahihisha na kuidhinisha. Jinsi uthibitishaji unavyohitaji kuwa mkali inategemea gharama ya hitilafu.

Jitihada

Gharama ya hitilafu

uthibitisho wa binadamu

Rasimu ya maelezo ya bidhaa

chini

Udhibiti wa sampuli unatosha

Jibu la barua pepe ya mteja

kati

Uhakiki wa uwasilishaji kabla

Uchambuzi wa hatari ya mkataba

juu

Uthibitishaji wa mtaalam wa kifungu kwa kifungu

Ushauri wa matibabu/fedha

juu sana

Uthibitishaji kamili wa kitaalam, msaada wa AI pekee

Jedwali hili linatoa usawa kati ya "kukagua kwa mikono kila matokeo" na "kutoangalia kabisa." Ingawa udhibiti wa sampuli unatosha kwa kazi za gharama ya chini, kila pato lazima lithibitishwe kwa kazi za bei ya juu.

Matumizi ya Kimaadili na Kuwajibika

Ingawa uteuzi wa mfano unaweza kuonekana kama uamuzi wa kiufundi, kuna majukumu ya kimaadili nyuma yake:

• Uwazi: Wajulishe wateja au wafanyikazi wako kuwa unatumia AI katika sehemu zinazofaa. Mteja ana haki ya kujua kama anazungumza na binadamu au AI.
• Upendeleo: Wanamitindo wanaweza kurithi upendeleo kutoka kwa data ambayo wamefunzwa. Fuatilia usawa wa matokeo katika maeneo nyeti kama vile uajiri na tathmini ya mikopo.
• Faragha: Pachika kanuni za ulinzi wa data ulizojifunza katika kitengo cha 8 kwenye mtiririko wa kazi; Usitume data ya kibinafsi bila kujali.
• Uwajibikaji: Kosa linapotokea, utetezi wa "AI uliifanya" haitoshi. Wajibu ni wa taasisi inayotumia gari. Kwa hivyo michakato ya uthibitishaji wa hati.

Kidokezo: Andika "sera kidogo ya matumizi yanayowajibika" katika mtiririko wako wa kazi: ni kazi gani zinaweza kutumia AI, ni data gani haiwezi kutumwa, nani ataithibitisha, na jinsi makosa yataripotiwa. Hati hii ya ukurasa mmoja huzuia matatizo makubwa katika siku zijazo.

Kesi Tatu za Kweli

Kesi ya 1 - Majuto bila kuanzisha eval. Timu ya bima huanza kufupisha madai bila kujaribu muundo maarufu zaidi. Baada ya wiki mbili, wanatambua kwamba mtindo huo mara nyingi hufanya makosa katika maneno ya kiufundi ya Kituruki na husoma kiasi fulani kimakosa. Wanapoweka eval ya sampuli 20 na kulinganisha mifano mitatu, wanabadilisha mtindo ambao sio maarufu zaidi lakini ni sahihi zaidi katika maandishi ya kiufundi ya Kituruki. Hasara: wiki mbili na kazi ya kusahihisha. Somo: eval kwanza, peleka baadaye.

Kesi ya 2 - Mchakato unaonasa maono. Msaidizi wa kisheria anaona rejeleo la "uamuzi wa Mahakama ya Juu" katika nakala ya mfano. Kwa vile mchakato wao una kanuni ya "verify every reference", anatafuta uamuzi huo na kugundua kuwa hakuna uamuzi huo; Alitengeneza mfano. Shukrani kwa uthibitishaji wa kibinadamu, maelezo ya kubuni kamwe hayamfikii mteja. Bila sheria ya uthibitishaji, upotezaji wa sifa ungeweza kuwa mbaya.

Kesi ya 3 - Amini kwa uwazi. Kampuni ya e-commerce hutoa majibu ya usaidizi wa wateja na AI, lakini inaongeza dokezo chini ya kila jibu: "Jibu hili lilitayarishwa kwa usaidizi wa kijasusi bandia na lilipitiwa na mmoja wa wawakilishi wetu." Wateja wanaridhishwa zaidi na majibu ya haraka na ujasiri wa kumuona mwanadamu akishiriki. Uwazi sio udhaifu wa kuficha, lakini chanzo cha uaminifu.

Kidokezo Hafifu / Kidokezo chenye Nguvu: Pato Linaloweza Kuthibitishwa

Agizo dhaifu:

Niambie kuhusu vifungu hatari vya mkataba huu.

Inaweza kutoshea mfano; hakuna chanzo, hakuna dalili ya kutokuwa na uhakika.

Agizo lenye nguvu:

Jukumu lako: mchambuzi wa mkataba (uamuzi wa mwisho ni wa mwanasheria). Kazi: Angazia vifungu vinavyoweza kuwa hatari katika mkataba ufuatao. Kwa kila matokeo: (1) nambari ya kifungu na nukuu ya neno, (2) kwa nini ni hatari, (3) kiwango chako cha kujiamini (juu/kati/chini). Tegemea tu vifungu katika maandishi; Usitengeneze chochote ambacho hakipo katika maandishi. Ambapo huna uhakika, andika "uthibitisho wa wakili unahitajika". [mkataba]

Kidokezo chenye nguvu huunganisha kila dai kwa chanzo (nambari ya kifungu + dondoo), inahitaji kiwango cha uaminifu, na inakataza uundaji; Hii hufanya ukumbi kushikana.

Violezo vinavyoweza kunakiliwa

1. Muundo wa seti ya Eval:

Tengeneza seti ya tathmini ya kazi ifuatayo [TASK]. Pendekeza sampuli 15 za pembejeo (mchanganyiko rahisi-wa kati-ugumu), jinsi "matokeo sahihi yanayotarajiwa" yangebainishwa kwa kila moja, na ubaini kigezo cha bao (1-5).

2. Kanga ya kupunguza uzushi:

Andika upya dodoso lifuatalo ili kupunguza utungaji: "[PROMPT]". Ongeza sheria za kunukuu vyanzo, ukibainisha viwango vya kujiamini, na "niambie ikiwa huna uhakika."

3. Muundo wa mtiririko wa uthibitishaji:

Katika mtiririko wa kazi ufuatao [MFUMO KAZI] Tengeneza hatua ya uthibitishaji wa kibinadamu kwa ajili ya matokeo ya AI. Amua jinsi uthibitishaji unapaswa kuwa mgumu kulingana na gharama ya hitilafu; andika nani ataangalia nini, lini.

4. Rasimu ya sera ya utumiaji inayowajibika:

Rasimu ya ukurasa mmoja "sera inayowajibika ya matumizi ya AI" kwa timu katika [INDUSTRY]. Jumuisha vichwa vifuatavyo: matumizi yanayoruhusiwa, data iliyopigwa marufuku, jukumu la uthibitishaji, kuripoti kwa uwazi, kuripoti makosa.

Makosa ya kawaida

• Kutuma bila Eval: Kuanzisha muundo bila kuujaribu na data yako mwenyewe na kugundua makosa baada ya kuonyeshwa kwenye mteja/kazi.
• Kutegemea maono: Kutumia lugha ya kujiamini ya modeli kama ukweli bila kuthibitisha marejeleo.
• Kukwepa uthibitishaji wa kibinadamu: Kuacha matokeo bila kuchaguliwa katika maamuzi ya gharama ya juu; Kuegemea utetezi wa "AI ilifanya hivyo".
• Kuepuka uwazi: Kuficha matumizi yako ya AI; kupata hasara ya kujiamini inapotokea.
• Kupuuza maadili na upendeleo: Kutumia maamuzi nyeti (kuajiri, mikopo) bila kufuatilia usawa wa pato.

Kwa muhtasari

• Kabla ya kupeleka mfano, weka seti ndogo ya eval na data yako mwenyewe na uwajaribu wagombea; viwango vya jumla haviwakilishi biashara yako.
• Udanganyifu ni uzalishaji wa ujasiri wa mtindo wa lugha ya uwongo; Imenaswa na maelezo ya chanzo, kiwango cha uaminifu na uthibitishaji wa kibinadamu.
• Ukali wa uthibitishaji wa binadamu hurekebishwa kulingana na gharama ya makosa; Katika maeneo muhimu AI ni msaada tu, uamuzi ni wa kibinadamu.
• Uwazi, udhibiti wa upendeleo, usiri na uwajibikaji; ni nguzo nne za matumizi ya AI ya kuwajibika. Sera ya ukurasa mmoja huzuia hatari kubwa.

Jukumu la maombi

Sanidi seti ya tathmini ya mifano 15 na kiolezo cha 1 katika kitengo hiki (muundo wa seti eval) kwa modeli za mtahiniwa ulizochagua katika sehemu yote na ulinganishe angalau miundo miwili dhidi ya seti hii. Kisha unda jinsi matokeo yatakavyothibitishwa na wanadamu kwa kutumia kiolezo cha 3 (mtiririko wa uthibitishaji) na uandike sera ya ukurasa mmoja kwa timu yako kwa kutumia kiolezo cha 4 (sera ya matumizi yanayowajibika). Matoleo haya matatu yanageuza moduli nzima kuwa mpango wa upelekaji unaotekelezeka.

orodha ya ukaguzi

• [ ] Kwa data yangu mwenyewe, ninaweza kusanidi seti ndogo ya eval na kulinganisha mifano.
• [ ] Ninaweza kutambua ndoto na kutumia hatua za kupunguza na kukamata.
• [ ] Ninaweza kurekebisha ukali wa uthibitishaji wa binadamu kulingana na gharama ya hitilafu.
• [ ] Ninaweza kupachika kanuni za uwazi, upendeleo, usiri na uwajibikaji katika mtiririko wa kazi.
• [ ] Ninaweza kuandaa sera ya matumizi ya AI ya ukurasa mmoja.

Mtihani wa Moduli

1. Kuna tofauti gani kati ya 'mtoa huduma' wa AI na 'familia ya mfano'?

• A) Mtoa huduma ni kampuni inayoendeleza kielelezo, na familia ya mfano ni kikundi cha mfano cha kampuni hiyo chini ya chapa ✔
• B) Ni kitu kimoja na hutumiwa kwa kubadilishana
• C) Mtoa huduma ni bei ya mfano, familia ya mfano ni kasi ya mfano.
• D) Familia ya mfano inahusu kampuni, muuzaji anarejelea toleo moja la mfano

Maelezo: Mtoa huduma ni kampuni iliyotengeneza modeli (k.m. Anthropic); Familia ya mfano ni kikundi cha mfano ambacho kampuni hiyo inakusanya chini ya chapa (kwa mfano, Claude). Toleo la mfano ni toleo maalum ndani ya familia.

2. Je, 'mizani' ya kielelezo inawezaje kufafanuliwa kwa usahihi zaidi?

• A) Ni idadi ya ishara ambazo modeli inaweza kutoa kwa dakika
• B) Ni mabilioni ya vigezo vya nambari ambavyo mtindo hujifunza wakati wa mafunzo na kuhifadhi habari zake. ✔
• C) Ni ada ya usajili ya kila mwezi ya modeli
• D) Ni idadi ya lugha zinazoungwa mkono na modeli

Maelezo: Uzito ni mabilioni ya vigezo vya nambari ambavyo mtindo hujifunza wakati wa mafunzo; Hapo ndipo 'kila kitu ambacho mtindo anajua' huhifadhiwa. Tofauti iliyofungwa/wazi ya uzito inategemea ikiwa vigezo hivi vinaweza kupakuliwa na kuendeshwa.

3. Ni kauli gani ni ya kweli kuhusu 'uzito-wazi' na 'chanzo-wazi'?

• A) Ni dhana zinazofanana na zote zinatoa matumizi ya kibiashara bila kikomo
• B) Uzito wazi kila wakati hufanya data ya mafunzo kuwa ya umma pia
• C) Sio kitu kimoja; Katika uzani ulio wazi, kwa kawaida vigezo pekee ndivyo vinavyoshirikiwa na masharti ya leseni yanaweza kuzuia matumizi ya kibiashara ✔
• D) Mifano ya chanzo wazi haiwezi kupakuliwa, mifano ya uzito wazi inaweza kupakuliwa

Maelezo: Katika uzani wazi, vigezo vya mfano pekee vinashirikiwa; data ya mafunzo na mchakato mara nyingi haufichuliwe, na baadhi ya leseni hupunguza matumizi ya kibiashara. Kwa hivyo 'uzito wazi' sio sawa kabisa na 'chanzo wazi'.

4. Ni kipi kati ya vifuatavyo ambacho ni kipengele muhimu zaidi cha kielelezo kwa timu ya wanasheria inayosoma na kuchanganua mikataba mirefu?

• A) Kuwa na bei ya chini kabisa ya tokeni
• B) Kuwa na uwezo wa usindikaji wa kuona (multimodal).
• C) Kuwa na leseni ya wazi ya uzito
• D) Kuwa na dirisha pana la muktadha ✔

Maelezo: Mfano unahitaji dirisha kubwa la muktadha ili kuchakata hati ndefu kwa ujumla; Dirisha la muktadha ni jumla ya tokeni ambazo mtindo unaweza kukumbuka kwa wakati mmoja.

5. Je, ni kweli ipi kuhusu bei ya ishara kwa mifano ya uzani uliofungwa?

• A) Tokeni ya kutoa kwa kawaida ni ghali zaidi kuliko tokeni ya ingizo ✔
• B) Ingizo na pato huwa ni bei sawa kila wakati
• C) Ada maalum ya kila mwezi pekee inayotozwa, kiasi cha matumizi hakina umuhimu
• D) Tokeni ya ingizo daima ni ghali mara nyingi zaidi kuliko pato

Ufafanuzi: Bei huhesabiwa kwa tokeni, na tokeni ya pato ambayo mtindo hutoa kawaida ni ghali mara kadhaa kuliko tokeni ya pembejeo unayotuma. Kwa hiyo, uchapishaji wa muda mrefu na usio wa lazima huongeza gharama kwa haraka.

6. Ni kipengele gani katika modeli ambacho ni muhimu kwa timu ya uhasibu ambayo inataka kutoa data kiotomatiki kutoka kwa picha za ankara?

• A) Dirisha pana zaidi la muktadha linalowezekana
• B) Multimodality (uwezo wa usindikaji wa kuona) ✔
• C) Fungua leseni ya uzani
• D) Kiwango cha juu cha hoja

Ufafanuzi: Ili kuelewa maudhui ya kuona, mtindo lazima uweze kuchakata picha pamoja na maandishi, yaani, lazima iwe multimodal. Multimodality ni uwezo wa modeli kushughulikia aina nyingi za data, kama vile maandishi, picha, na wakati mwingine sauti.

7. Ni chaguo gani la kimantiki zaidi kwa kazi ya kiwango cha juu, rahisi (k.m. uainishaji chanya/hasi wa maelfu ya hakiki)?

• A) Kielelezo chenye nguvu na ghali zaidi kila wakati
• B) Mfano unaofanya kazi tu kwa uzito wazi na kwenye seva yake mwenyewe
• C) Mfano mwepesi na wa gharama nafuu, kwa sababu kazi ni rahisi na kiasi ni cha juu ✔
• D) Mfano ulio na dirisha pana zaidi la muktadha

Maelezo: Mfano mwepesi, wa gharama ya chini hufanya hila kwa kazi rahisi, za juu; Kutumia mfano wa nguvu zaidi na wa gharama kubwa hujenga gharama zisizohitajika hapa. Njia sahihi ni kulinganisha ugumu wa kazi na safu ya mfano.

8. Ni nini kinachochochea utumaji wa maandishi yaliyo na data ya kibinafsi kwa mtoaji wa AI wa kigeni kulingana na KVKK?

• A) Haileti dhima yoyote ya kisheria
• B) Ni muhimu tu ikiwa mtoa huduma yuko katika Umoja wa Ulaya, hakuna kesi nyingine
• C) Ni marufuku kabisa chini ya hali zote, bila kujali kama data haijulikani au la
• D) Uhamisho wa data nje ya nchi unazingatiwa na unakabiliwa na masharti maalum ya KVKK ✔

Ufafanuzi: Data ya uendeshaji kwenye seva za mtoa huduma nje ya nchi inachukuliwa kuwa 'uhamisho wa data nje ya nchi' na inategemea masharti maalum ya KVKK kuhusu somo hili (kama vile idhini ya wazi, uamuzi wa kutosha, uhakikisho unaofaa).

9. Njia ya 'kusababu' ya mtindo hufanya nini na inaathirije gharama?

• A) Huongeza usahihi katika matatizo changamano, lakini huongeza gharama na ucheleweshaji kwani huzalisha ishara zaidi ✔
• B) Hufanya mtindo kuwa huru kila wakati
• C) Huongeza tu idadi ya lugha zinazotumika na modeli
• D) Daima fupisha majibu na upunguze gharama

Maelezo: Njia ya Kutoa Sababu inaruhusu mtindo 'kufikiri' hatua kwa hatua kabla ya kutoa jibu; Inaongeza usahihi katika matatizo ya hatua nyingi na ngumu, lakini pia huongeza gharama na kuchelewa kwa sababu inazalisha ishara zaidi.

10. Ni njia gani inayotegemewa zaidi unapotathmini (eval) modeli ya biashara yako mwenyewe?

• A) Kuchagua tu mtindo maarufu zaidi na kuitumia bila kupima
• B) Sanidi seti ndogo ya majaribio ya kazi zako halisi na ulinganishe nayo mifano ✔
• C) Kuangalia tu alama ya alama iliyotajwa kwenye matangazo
• D) Kubali kiotomatiki muundo ulio na kidirisha cha juu zaidi cha muktadha kama bora zaidi

Maelezo: Badala ya kutegemea bao za wanaoongoza bila upofu, kuunda seti ndogo ya majaribio ya kazi zako halisi na kulinganisha miundo kwenye seti hii kutafichua ile inayofaa biashara yako.

11. Je, ujuzi kwamba matokeo ya modeli yanaweza kuwa na 'hallucinations' yanapaswa kuundaje mtiririko wako wa kazi?

• A) Matokeo yanapaswa kuchukuliwa kuwa sawa na kuchapishwa moja kwa moja
• B) Hallucination inaonekana tu katika mifano ya bure, si katika mifano ya kulipwa
• C) Katika maamuzi muhimu, matokeo lazima yathibitishwe na mwanadamu na vyanzo vithibitishwe ✔
• D) Maoni yanaweza kuondolewa kabisa kwa kubadilisha tu mfano

Ufafanuzi: Maoni ni wakati modeli hutoa habari ambayo sio kweli, kwa lugha ya kujiamini. Kwa sababu ya hatari hii, uthibitishaji wa pato na mwanadamu unapaswa kuhitajika, haswa kwa maamuzi ya kisheria, matibabu na kifedha.

12. Ni nini mantiki ya kimsingi ya mkabala wa 'mfano wa kwingineko' unaopitishwa na taasisi zilizokomaa?

• A) Kuhakikisha unyenyekevu kwa kufanya kila kazi ifanywe na mtindo mmoja wa gharama kubwa zaidi.
• B) Kutumia tu mfano wa bei nafuu na kupuuza kabisa ubora
• C) Usitumie mifano yoyote na ufanye kazi yote kwa mikono
• D) Kuboresha gharama na kupunguza utegemezi kwa mtoa huduma mmoja kwa kutumia miundo tofauti kulingana na kazi ✔

Maelezo: Kwingineko ya kielelezo ni kutumia miundo tofauti kulingana na kazi: muundo wa bei nafuu kwa kazi rahisi na nyingi, muundo wa nguvu kwa kazi ngumu, uzani wazi/muundo wa kikanda kwa data ya siri. Hii yote huongeza gharama na kupunguza utegemezi kwa mtoaji mmoja.

13. Kwa nini nchi asilia na sera ya kuhifadhi data inaweza kuwa kigezo cha uteuzi wa muundo?

• A) Kwa sababu inaathiri moja kwa moja udhibiti, mamlaka ya data na mahitaji ya faragha ✔
• B) Kwa sababu tu huamua kasi ya majibu ya mfano
• C) Kwa sababu huamua fomati za faili zinazoungwa mkono na modeli
• D) Kwa sababu haina athari ya vitendo, ni maelezo ya uuzaji tu

Maelezo: Nchi ambapo msanidi wa modeli iko na wapi/kiasi gani cha data kimehifadhiwa; Ni maamuzi kulingana na udhibiti wa kisheria, mamlaka ya data na faragha. Kwa mfano, kwa shirika linalotaka kuwa mwenyeji ndani ya Umoja wa Ulaya, mtoa huduma wa eneo au chaguo sifuri la hifadhi huwa muhimu.

14. Ni kipi kinafafanua kwa nini kutafuta 'mfano bora zaidi' katika kazi ni kupotosha?

• A) Aina zote zina uwezo sawa kabisa
• B) Modeli zina nguvu katika saizi tofauti, kwa hivyo 'bora' inategemea hitaji la kazi ✔
• C) Mfano wa gharama kubwa zaidi ni moja kwa moja bora katika kila kazi
• D) Uchaguzi wa mfano unapaswa kufanywa bila mpangilio kabisa

Maelezo: Miundo ni thabiti katika vipimo tofauti kama vile kasi, gharama, muktadha, hali nyingi, faragha na hoja. Mfano ambao ni kiongozi katika mwelekeo mmoja unaweza kuwa dhaifu kwa mwingine; kwa hivyo 'bora' daima hutegemea hitaji la kazi.